本教程针对遥感图像大尺寸、目标尺度差异大等特性，详细讲解如何基于YOLOv8实现从遥感数据集预处理、模型自定义配置、训练调优到批量检测部署的全流程，帮助开发者快速掌握YOLOv8在遥感检测场景的落地方法。

学习步骤

1. 遥感数据集的选择与适配预处理

   1. 数据集选择：优先选用公开遥感检测数据集，如DOTA（包含飞机、车辆、建筑等15类目标）、UCAS-AOD（针对飞机和车辆的小目标数据集）；若使用自定义数据集，需确保标注规范。
   2. 格式转换：将遥感数据集的标注格式（如XML、JSON）转换为YOLOv8要求的TXT格式，每一行格式为`类别ID 中心x 中心y 宽度 高度`，可使用LabelImg或自定义Python脚本完成转换。
   3. 图像切片：由于遥感图像尺寸通常为数千像素，需将大尺寸图像切割为600×600或800×800的小图，设置100-200像素的重叠区域避免目标被切割，可使用`opencv-python`编写切片脚本，示例代码：
   import cv2
   import os
   def slice_image(img_path, save_dir, slice_size=600, overlap=100):
   img = cv2.imread(img_path)
   h, w = img.shape[:2]
   for y in range(0, h, slice_size-overlap):
   for x in range(0, w, slice_size-overlap):
   slice_img = img[y:y+slice_size, x:x+slice_size]
   cv2.imwrite(os.path.join(save_dir, f"{os.path.basename(img_path).split('.')[0]}_{y}_{x}.jpg"), slice_img)
   4. 数据清洗：删除模糊、标注错误或无有效目标的样本，提升数据集质量。

2. YOLOv8模型的自定义配置调整

   1. 模型版本选择：根据部署需求选择YOLOv8n（轻量化，适合边缘设备）或YOLOv8x（高精度，适合服务器训练）；
   2. 配置文件修改：复制YOLOv8官方的`coco.yaml`配置文件，修改`path`为数据集根目录，`train`、`val`指向训练/验证集路径，`names`设置遥感目标类别名称及对应ID；
   3. 锚框（Anchor）优化：遥感目标尺度差异大，可使用YOLOv8自带的`yolo detect train data=remote.yaml model=yolov8n.pt anchors=True`命令自动计算适配遥感数据集的锚框；
   4. 数据增强配置：在配置文件中添加针对遥感场景的增强策略，如随机旋转（0-90度）、水平/垂直翻转、亮度对比度调整，提升模型对不同拍摄角度、光照条件的适应性。

3. 模型训练与关键参数调优

   1. 基础训练命令：在终端执行`yolo detect train data=remote.yaml model=yolov8n.pt epochs=50 batch=16 imgsz=600`，其中`imgsz`设置为切片后的图像尺寸；
   2. 学习率调优：使用余弦退火学习率策略，在配置文件中设置`lr0=0.01, lrf=0.001`，避免模型训练后期震荡；
   3. IoU阈值调整：由于遥感目标常存在重叠，将`iou=0.6`设置为训练时的IoU阈值，提升模型对重叠目标的检测能力；
   4. 多尺度训练：添加`multi_scale=True`参数，让模型在训练时随机调整输入图像尺寸，增强模型对不同尺度目标的泛化能力；
   5. 训练监控：通过TensorBoard查看训练损失曲线（`tensorboard --logdir runs/detect/train`），若验证集mAP下降则提前停止训练，避免过拟合。

4. 模型评估与遥感场景针对性优化

   1. 模型评估：执行`yolo detect val data=remote.yaml model=runs/detect/train/weights/best.pt`，查看mAP@0.5、Precision、Recall等指标；
   2. 小目标检测优化：若小目标检测效果差，可增加小目标样本的训练权重，或在YOLOv8的Backbone中添加CBAM注意力模块，提升小目标特征提取能力；
   3. 噪声处理：针对遥感图像的噪声问题，在预处理阶段添加高斯模糊或双边滤波，减少噪声对模型检测的干扰；
   4. 重叠目标优化：使用DIoU-NMS替代传统NMS，提升重叠目标的检测准确率。

5. 模型部署与遥感图像批量检测

   1. 模型导出：将训练好的模型导出为ONNX、TensorRT等格式，执行`yolo export model=runs/detect/train/weights/best.pt format=onnx`；
   2. 加速部署：使用TensorRT对ONNX模型进行优化，生成推理引擎，提升检测速度；
   3. 批量检测脚本编写：编写Python脚本实现大尺寸遥感图像的自动切片、检测、结果拼接，示例逻辑：先切割图像，对每个切片进行检测，再将检测框映射回原图像坐标，最后去除重叠区域的重复标注；
   4. 结果可视化：使用`opencv-python`将检测框绘制到原遥感图像上，保存或展示检测结果。